一種基于生成對(duì)抗網(wǎng)絡(luò)的無人機(jī)圖像去霧算法

一種基于生成對(duì)抗網(wǎng)絡(luò)的無人機(jī)圖像去霧算法

摘要: 無人機(jī)所采集的圖像容易受到霧霾、霧氣等陰霾天氣干擾，造成圖像質(zhì)量下降。針對(duì)陰霾天氣下無人機(jī)采集圖像的質(zhì)量下降問題，提出了一種新穎的基于生成對(duì)抗網(wǎng)絡(luò)的圖像去霧方法。本方法設(shè)計(jì)了新式生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，生成網(wǎng)絡(luò)由多層編碼器和解碼器對(duì)稱分布構(gòu)成，判別網(wǎng)絡(luò)由全卷積網(wǎng)絡(luò)構(gòu)成，為了提高生成圖像的清晰度，引入了一種新的對(duì)抗和平滑損失函數(shù)來優(yōu)化整個(gè)網(wǎng)絡(luò)。最后，通過大量實(shí)驗(yàn)表明，基于本文方法進(jìn)行圖像去霧取得了良好的效果，在結(jié)構(gòu)相似度和峰值信噪比等評(píng)價(jià)指標(biāo)以及主觀視覺效果上優(yōu)于已有的圖像去霧方法。

1. 引言

隨著人類社會(huì)的不斷發(fā)展與科技的不斷進(jìn)步，人們已經(jīng)進(jìn)入了信息時(shí)代。無人機(jī)作為這個(gè)時(shí)代信息獲取的獨(dú)特載體，憑借自身優(yōu)勢(shì)，在航拍、農(nóng)業(yè)、救災(zāi)防災(zāi)、野生動(dòng)物觀測(cè)、測(cè)繪、電力巡線、電影電視、新聞報(bào)道等領(lǐng)域都有很大的應(yīng)用 [1]。

但隨著人類文明的不斷發(fā)展和工業(yè)化進(jìn)程，出現(xiàn)霧霾天氣的概率大幅增加，無人機(jī)飛行作業(yè)時(shí)所搭載的載荷在采集圖像時(shí)往往都會(huì)受到不同程度的霧氣的干擾?？諝庵写嬖谥恍┬∷楹突覊m等小顆粒物，當(dāng)這些顆粒物數(shù)量增多到一定程度時(shí)，就會(huì)對(duì)光線的傳播造成影響，會(huì)吸收并散射一部分光線，肉眼可見時(shí)便形成了霧霾天氣。這種對(duì)光線的吸收和散射作用，會(huì)使得無人機(jī)所搭載的載荷采集的圖像成像質(zhì)量變差，具體表現(xiàn)為清晰度下降、對(duì)比度和飽和度降低、動(dòng)態(tài)范圍變小、細(xì)節(jié)信息丟失等問題，導(dǎo)致視覺效果差，后續(xù)難以有效提取和分析圖像細(xì)節(jié)信息，不能滿足應(yīng)用需求，圖1為大氣光衰減示意圖

Figure 1. Diagram of atmospheric light attenuation

圖1. 大氣光衰減示意圖

為了降低霧霾對(duì)圖像采集工作的影響，提高無人機(jī)所搭載載荷采集的圖像的清晰度，加強(qiáng)其實(shí)用性和有效性，因此圖像去霧是亟待解決的問題，同時(shí)也能保障無人機(jī)飛行作業(yè)系統(tǒng)能夠在較差的天氣條件下的正常運(yùn)行。

隨著圖像處理領(lǐng)域的不斷發(fā)展，各種圖像去霧算法被學(xué)者相繼提出，盧漢明等人 [2] 提出將小波變換法與中值濾波法和直方圖匹配法結(jié)合起來進(jìn)行去霧;朱錫芳等人 [3] 提出按照帶霧圖像的熵來決定不同頻段處理的參量來去霧;Fattal等人 [4] 提出了透射率與物體顏色局部不相關(guān)的假設(shè)，并利用馬爾科夫模型計(jì)算顏色信息，從而達(dá)到去霧的效果;Tan等人 [5] 研究后發(fā)現(xiàn)，無霧的圖像比帶霧圖像相比普遍具有更高的對(duì)比度，可以通過提高圖像的對(duì)比度進(jìn)行去霧，并提出了最大化圖片局部對(duì)比度的方法;He等人 [6] 提出了基于暗通道先驗(yàn)理論對(duì)圖像進(jìn)行去霧。

近年來，深度學(xué)習(xí)發(fā)展迅猛，由于其可以自動(dòng)提取特征，在各個(gè)研究領(lǐng)域發(fā)揮著越來越重要的作用，在計(jì)算機(jī)視覺領(lǐng)域也取得了很大的進(jìn)展，受到了大家的廣泛關(guān)注和討論。越來越多的研究者開始利用深度學(xué)習(xí)的方法取代傳統(tǒng)方法來解決圖像去霧的問題。Cai等人 [7] 提出了一種端到端的去霧網(wǎng)絡(luò)DehazeNet，設(shè)計(jì)了一個(gè)三層卷積神經(jīng)網(wǎng)絡(luò)用于帶霧圖像透射率圖的估計(jì)，融合了傳統(tǒng)去霧方法和深度學(xué)習(xí)去霧方法;Tang等人 [8] 將帶霧圖像的先驗(yàn)條件作為輸入，提出了一個(gè)隨機(jī)森林模型用于帶霧圖像透射率圖的估計(jì);Ren等人 [9] 設(shè)計(jì)了一種多層級(jí)卷積神經(jīng)網(wǎng)絡(luò)，將細(xì)粒度估計(jì)和粗粒度估計(jì)相結(jié)合，可得到更加精細(xì)的透射率圖;Li等人 [10] 提出了AOD-Net，通過數(shù)學(xué)方法將大氣光和透射率的估計(jì)合成為了一個(gè)變量，避免了額外估計(jì)大氣光的操作。

綜上所述，目前的各種圖像處理方法都存在一定的不足，基于圖像增強(qiáng)的直方圖均衡化相關(guān)算法容易丟失圖像的細(xì)節(jié)信息，基于先驗(yàn)信息的算法處理圖片后常常產(chǎn)生光暈和過飽和現(xiàn)象，暗通道算法存在透射率估計(jì)不精確和顏色退化等問題，已有的神經(jīng)網(wǎng)絡(luò)算法一部分需要依賴已有的物理模型或先驗(yàn)假設(shè)，另一部分處理效果不夠理想。因此，本文提出了一種新穎的基于生成對(duì)抗網(wǎng)絡(luò)的無人機(jī)圖像去霧算法。

2. 網(wǎng)絡(luò)模型設(shè)計(jì)

圖像去霧的目的是在不損失圖像基本細(xì)節(jié)信息的條件下，盡量多地處理掉目標(biāo)圖像的霧氣信息 [11]。使用傳統(tǒng)方法進(jìn)行圖像去霧在去霧效果上有一定的局限性，但大多數(shù)方法都不會(huì)破壞圖像的基本細(xì)節(jié)信息，不容易出現(xiàn)嚴(yán)重的圖像失真。但對(duì)于基于深度學(xué)習(xí)的圖像去霧方法，網(wǎng)絡(luò)的設(shè)計(jì)非常關(guān)鍵，一旦設(shè)計(jì)不當(dāng)，處理后的圖像會(huì)嚴(yán)重失真，后續(xù)調(diào)整參數(shù)也無法有效改善其處理效果。生成對(duì)抗網(wǎng)絡(luò)最重要的三個(gè)關(guān)鍵方向就是生成網(wǎng)絡(luò)、對(duì)抗網(wǎng)絡(luò)和損失函數(shù)LOSS。

2.1. 生成網(wǎng)絡(luò)

本文采用深度學(xué)習(xí)中生成對(duì)抗網(wǎng)絡(luò)的方法，可以對(duì)帶霧圖像進(jìn)行端到端的去霧，輸入目標(biāo)帶霧圖像經(jīng)過處理后即可得到相應(yīng)的去霧圖像，在去霧過程中不需要估計(jì)額外的物理參數(shù)。如圖2所示，生成網(wǎng)

Figure 2. Generator network structure

圖2. 生成網(wǎng)絡(luò)結(jié)構(gòu)

絡(luò)的前半部分可以當(dāng)成一個(gè)數(shù)據(jù)編碼器，用來對(duì)原始圖像的特征進(jìn)行提取，在此部分，每一個(gè)密度塊后邊放置一個(gè)下采樣層。生成網(wǎng)絡(luò)的后半部分可以當(dāng)成一個(gè)與前半部分編碼器對(duì)應(yīng)的解碼器，在此部分，每一個(gè)密度塊后邊放置一個(gè)上采樣層，對(duì)前半部分傳遞的圖像特征進(jìn)行上采樣，可以把經(jīng)下采樣縮小的圖像特征重新放大到圖像的原始尺寸，以確保網(wǎng)絡(luò)輸出正確。每次上采樣步驟完成后，通過卷積層進(jìn)行學(xué)習(xí)，豐富信息，可以使在編碼操作時(shí)丟失的圖像特征信息在解碼操作時(shí)能夠部分找回。對(duì)解碼器和對(duì)稱編碼器中的特征圖采取融合處理操作，可以確保解碼器的特征能夠正常表達(dá)。

2.2. 對(duì)抗網(wǎng)絡(luò)

對(duì)抗網(wǎng)絡(luò)的作用是可以對(duì)生成網(wǎng)絡(luò)生成的圖像和數(shù)據(jù)集原始不帶霧圖像進(jìn)行對(duì)比判斷，用來甄別生成網(wǎng)絡(luò)生成無霧圖像的好壞，同時(shí)也將參數(shù)逆?zhèn)鬟f，輔助生成網(wǎng)絡(luò)生成質(zhì)量更好的無霧圖像。本文建立了一個(gè)五層的卷積神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖3所示，對(duì)生成的圖像與無霧圖像進(jìn)行逐塊比較，提高了判別的準(zhǔn)確性。對(duì)抗網(wǎng)絡(luò)的輸出為一個(gè)[0, 1]之間的概率值，當(dāng)生成網(wǎng)絡(luò)生成的圖像越接近真實(shí)無霧圖像時(shí)，判別器的輸出越靠近0;當(dāng)生成的圖像越靠近原始帶霧圖像時(shí)，判別器的輸出越靠近1。

Figure 3. Discriminator network structure

圖3. 對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)

2.3. 損失函數(shù)

對(duì)于深度學(xué)習(xí)圖像去霧模型來說，生成網(wǎng)絡(luò)生成的無霧圖像與原始帶霧圖像之間有很多相似的圖像信息，在訓(xùn)練過程中容易發(fā)生過擬合。為了確保網(wǎng)絡(luò)生成無霧圖像的清晰度以及與原帶霧圖像之間的相似性，不發(fā)生圖像失真，總的損失函數(shù)Loss [12] [13] 由兩部分組成，其中L1是對(duì)抗Loss，L2是平滑Loss，W分別代表權(quán)重。

其中G為生成器，D為判別器，x為輸入帶霧的圖像，y為x所對(duì)應(yīng)的無霧圖像，z為隨機(jī)噪聲。

3. 模型訓(xùn)練實(shí)驗(yàn)

3.1. 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

本方法訓(xùn)練中所用的數(shù)據(jù)集采用D-HAZY DATASET。進(jìn)行訓(xùn)練之前，先對(duì)數(shù)據(jù)集中的待訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，為了確保訓(xùn)練時(shí)網(wǎng)絡(luò)能正常進(jìn)行梯度計(jì)算和更新，將圖像統(tǒng)一分割調(diào)整為256 × 256像素的圖像，并做成對(duì)化處理，形成了1472對(duì)包含同一場(chǎng)景有霧和無霧圖像的對(duì)比數(shù)據(jù)集。訓(xùn)練環(huán)境基于搭載了NVIDIA GTX1080 GPU計(jì)算機(jī)的Tensorflow上，訓(xùn)練過程中采用Adam優(yōu)化，學(xué)習(xí)率設(shè)置為0.0001，benchsize設(shè)置為4，epoch設(shè)置為400。

3.2. 實(shí)驗(yàn)流程

本方法流程如下：首先設(shè)計(jì)去霧所需的生成對(duì)抗網(wǎng)絡(luò)模型，并建立訓(xùn)練網(wǎng)絡(luò)模型所需要的數(shù)據(jù)集，進(jìn)行整理和預(yù)處理;

將數(shù)據(jù)集中的帶霧樣本圖像輸入已設(shè)計(jì)的生成網(wǎng)絡(luò)中，生成器對(duì)該樣本圖像進(jìn)行去霧處理;

將生成網(wǎng)絡(luò)去霧處理的樣本圖像和數(shù)據(jù)集中對(duì)應(yīng)的無霧樣本圖像輸入已設(shè)計(jì)的對(duì)抗網(wǎng)絡(luò)中，判別器對(duì)兩幅圖像進(jìn)行判別，設(shè)定閾值判斷圖像的真假，計(jì)算損失函數(shù)Loss等模型參數(shù);

將參數(shù)反饋給生成網(wǎng)絡(luò)，生成網(wǎng)絡(luò)調(diào)整參數(shù)，并更新生成網(wǎng)絡(luò)模型;

重復(fù)上述步驟，直到訓(xùn)練完成，獲得訓(xùn)練模型;

將需要去霧的帶霧圖片輸入到該已訓(xùn)練完成的模型中，得到去霧后的無霧圖片，圖4為網(wǎng)絡(luò)模型訓(xùn)練流程。

Figure 4. Model training process

圖4. 模型訓(xùn)練流程

4. 實(shí)驗(yàn)結(jié)果分析與評(píng)價(jià)

對(duì)于圖像去霧效果好壞的評(píng)價(jià)，選取其他圖像去霧算法與之比較是比較直觀的辦法，本文列舉了幾種典型場(chǎng)景下不同的圖像去霧方法對(duì)圖像進(jìn)行去霧的效果，如圖5所示。

Figure 5. Comparison of different defogging methods

圖5. 多種去霧方法對(duì)比效果圖

圖像去霧方法的去霧效果需要有一定的評(píng)價(jià)指標(biāo)，而評(píng)價(jià)一幅圖像的質(zhì)量有兩種方法，按照評(píng)價(jià)者是否為人類，可以分為主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法 [14] [15]。本文選取圖像的結(jié)構(gòu)相似度(structural similarity index measurement, SSIM) [16] 和峰值信噪比(peak signal to noise ratio, PSNR) [17] 這兩個(gè)指標(biāo)進(jìn)行計(jì)算，通過量化的結(jié)果對(duì)各圖像去霧算法進(jìn)行評(píng)價(jià)。

從主觀上來看，在城市場(chǎng)景中，四種方法都能有效的去除霧氣，但基于中值濾波方法和基于暗通道先驗(yàn)方法還有少量殘余，DehazeNet方法亮度較低，基于生成對(duì)抗網(wǎng)絡(luò)的去霧方法對(duì)比度較高，效果較好。

在交通場(chǎng)景中，四種去霧方法效果差距不大，都能較為清晰的還原鐵路的細(xì)節(jié)和機(jī)車的輪廓。

在農(nóng)田場(chǎng)景中，中值濾波方法偏離原圖的色彩較大，色彩失真，而且霧氣沒有去除干凈，效果不理想;基于暗通道先驗(yàn)的方法，主體部分效果不錯(cuò)，但是在遠(yuǎn)處高光部分有色斑，細(xì)節(jié)丟失，DehazeNet方法去霧不徹底，這個(gè)場(chǎng)景中基于生成對(duì)抗網(wǎng)絡(luò)的去霧方法效果更好。

在森林場(chǎng)景中，中值濾波方法依舊色偏較大，色彩失真，處理結(jié)果不甚理想，而基于暗通道先驗(yàn)的方法和基于生成對(duì)抗網(wǎng)絡(luò)的去霧方法能清晰的看到樹葉和樹干的細(xì)節(jié)，效果令人滿意，DehazeNet方法的效果稍遜一籌。同時(shí)可以看到，樹林深處還是有沒有處理干凈的霧氣，這說明當(dāng)霧過于濃導(dǎo)致帶霧圖像上部分細(xì)節(jié)幾乎完全丟失時(shí)，這些算法都無法很好的應(yīng)對(duì)，因此，在后續(xù)的研究中，應(yīng)當(dāng)針對(duì)濃霧問題繼續(xù)改進(jìn)算法。

表1為多種去霧方法的客觀評(píng)價(jià)結(jié)果，從上述客觀評(píng)價(jià)指標(biāo)可以看出，在大多數(shù)場(chǎng)景下，基于生成對(duì)抗網(wǎng)絡(luò)的方法去霧后的圖像不論是在結(jié)構(gòu)相似度還是在峰值信噪比的得分都相對(duì)較高，證明圖像顯得更加明亮和生動(dòng)，具有更清晰的邊緣和細(xì)節(jié)信息，效果較好。這與主觀評(píng)價(jià)中通過肉眼觀察到的結(jié)論是一致的，相互得到了印證

Table 1. Objective evaluation results

表1. 客觀評(píng)價(jià)結(jié)果

5. 結(jié)語

深度學(xué)習(xí)方法為很多圖像處理問題打開了新的天地，本文構(gòu)建了新的生成器和判別器，提出了構(gòu)建一個(gè)生成對(duì)抗網(wǎng)絡(luò)GAN來對(duì)圖像進(jìn)行去霧的方法，在典型場(chǎng)景中與其他其他去霧方法進(jìn)行對(duì)比，無論主觀評(píng)價(jià)指標(biāo)還是客觀評(píng)價(jià)指標(biāo)都表現(xiàn)出了較好的效果，本文算法得到的去霧圖像具有更清晰的邊緣和細(xì)節(jié)信息，在部分場(chǎng)景生成的去霧圖像更接近無霧圖像，結(jié)構(gòu)相似度與峰值信噪比的得分更高，具有較好的圖像質(zhì)量，體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。但在分析中可以看到，本方法對(duì)特別濃厚的霧的去除效果不太好，而其他對(duì)比的方法也無法去除濃霧，因此濃霧的去除是未來值得研究的一個(gè)方向。

審核編輯：湯梓紅